CN113077083B - 一种基于卫星遥感技术的污秽状况监测方法 - Google Patents
一种基于卫星遥感技术的污秽状况监测方法 Download PDFInfo
- Publication number
- CN113077083B CN113077083B CN202110324572.5A CN202110324572A CN113077083B CN 113077083 B CN113077083 B CN 113077083B CN 202110324572 A CN202110324572 A CN 202110324572A CN 113077083 B CN113077083 B CN 113077083B
- Authority
- CN
- China
- Prior art keywords
- esdd
- vegetation index
- enhanced vegetation
- optical thickness
- evi
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012544 monitoring process Methods 0.000 title claims abstract description 19
- 239000000443 aerosol Substances 0.000 claims abstract description 38
- 230000003287 optical effect Effects 0.000 claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 150000003839 salts Chemical class 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000000513 principal component analysis Methods 0.000 claims abstract description 6
- 238000011160 research Methods 0.000 claims description 11
- 230000002123 temporal effect Effects 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims 1
- 238000013139 quantization Methods 0.000 abstract 1
- 238000011109 contamination Methods 0.000 description 6
- 238000002790 cross-validation Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 239000012212 insulator Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Water Supply & Treatment (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种基于卫星遥感技术的污秽状况监测方法,方法包括:通过MODIS卫星获取气溶胶光学厚度AOD和增强型植被指数EVI;对增强型植被指数EVI进行预处理;通过气象站点获取与等值附盐密度ESDD相关的气象参数数据,对气象参数数据进行预处理;对气象参数数据、气溶胶光学厚度AOD和增强型植被指数EVI进行主成分分析;利用人工神经网络对主要变量进行分类,得到污秽空间预测图;建立ESDD预测模型,输入为主要变量的预测量化数据,输出为ESDD的预测值,并评估ESDD预测模型的精度;根据ESDD的预测值,绘制污秽空间分级图。本申请基于多源卫星遥感数据,采用多源遥感数据和实测数据建模得到污秽状况图。
Description
技术领域
本申请涉及大气遥感领域,尤其涉及一种基于卫星遥感技术的污秽状况监测方法。
背景技术
随着我国经济的迅速发展和城市化的进程加快,大气污染加剧,使得我国目前变电站和输线线路存在严重的污秽问题。因为电力污秽引起的绝缘子失效而导致大面积的污闪事件也越来越频繁。
近年来,随着卫星遥感技术的发展可以获取高时间分辨率,空间分辨率和覆盖面积广的气溶胶光学厚度(AOD)。AOD是气溶胶最重要的参数之一,用来表征大气污染程度的物理量。当某地区的AOD值越高,说明这个地区越可能出现严重的污秽。研究区的污秽等级一般按照盐密值进行分类,等值附盐密度(ESDD)是指绝缘子表面的污秽层可以溶解的成分。我们结合AOD数据地面的空气质量检测站点的PM2.5,PM10和SO2等数据,可以高效快速的监测大范围的污秽情况。
目前地面的监测污秽站点分布不均,导致不能及时有效的反映区域的污秽情况。单纯的依靠人工测量得到的电力污秽图费时费力,且受人的主观判断影响,不能准确的反映输电区域的污秽情况。由于上述等多方面的原因的影响,现存的污秽图更新效率低,不能及时的反映变电站和输电线路的会染污堆积情况。所以,寻找一种高效且低成本的技术来监测污秽分布并生成污秽分布图是十分必要的。
发明内容
本申请提供了一种基于卫星遥感技术的污秽状况监测方法,以解决人工测量实现困难、准确度低和效率低的问题。
一种基于卫星遥感技术的污秽状况监测方法,方法包括:
通过MODIS卫星获取气溶胶光学厚度AOD和增强型植被指数EVI;
对所述气溶胶光学厚度AOD和所述增强型植被指数EVI进行拼接、裁剪和定义地理坐标系;
对所述增强型植被指数EVI进行预处理,使所述增强型植被指数EVI的空间分辨率和时间分辨率与所述气溶胶光学厚度AOD的空间分辨率和时间分辨率一致;
通过气象站点获取与等值附盐密度ESDD相关的气象参数数据,对所述气象参数数据进行预处理,使所述气象参数数据的空间分辨率与所述气溶胶光学厚度AOD和所述增强型植被指数EVI的空间分辨率保持一致;
对所述气象参数数据、所述气溶胶光学厚度AOD和所述增强型植被指数EVI进行主成分分析,得到影响所述等值附盐密度ESDD的主要变量;
利用人工神经网络对所述主要变量进行分类,得到污秽空间预测图;
建立ESDD预测模型,输入为所述主要变量的预测数据,输出为ESDD的预测值,并评估所述ESDD预测模型的精度;
根据所述ESDD的预测值,绘制污秽空间分级图。
进一步地,所述对所述气溶胶光学厚度AOD和增强型植被指数EVI进行拼接、裁剪和定义地理坐标系,具体为:
利用MRT工具对所述气溶胶光学厚度AOD和所述增强型植被指数EVI进行拼接;
将所述气溶胶光学厚度AOD和所述增强型植被指数EVI的数据格式转换为带有地理坐标系的TIFF格式;
利用研究区的shapefile文件裁剪出所述气溶胶光学厚度AOD和所述增强型植被指数EVI的研究区。
进一步地,所述对所述增强型植被指数EVI进行预处理,具体为:
对所述增强型植被指数EVI进行重采样,使所述增强型植被指数EVI的空间分辨率与所述气溶胶光学厚度AOD的空间分辨率一致;
对所述增强型植被指数EVI进行拉格朗日插值,使所述增强型植被指数EVI的时间分辨率与所述气溶胶光学厚度AOD的时间分辨率一致。
进一步地,所述对所述气象参数数据进行预处理,具体为:
利用克里金插值将所述气象参数数据转化为面状数据,所述克里金插值公式为:
其中,是点(x0,y0)处的估计值,所述点(x0,y0)对应的气象参数数据是未知的,zi是点(xi,yi)处的真实值,所述点(xi,yi)为所述气象参数数据对应的点,λi是权重系数,λi同时满足估计值与真实值之间的差最小和无偏估计的条件。
进一步地,所述利用人工神经网络对所述主要变量进行分类,具体为:
所述人工神经网络包括输入层、隐含层和输出层;
所述人工神经网络的训练过程包括传播阶段和后向传播阶段;
所述后向传播阶段对误差进行调整,当误差满足预设条件时,将结果输入到输出层;
根据输出值和预设误差的关系,判断所述主要变量类别。
进一步地,所述建立ESDD预测模型,具体为:
探究基于长时间序列的所述主要变量和等值附盐密度ESDD之间的关系,得到所述ESDD预测模型。
进一步地,所述评估所述ESDD预测模型的精度,具体为:
利用十折交叉验证的方法对所述ESDD预测模型的精度进行验证。
进一步地,根据所述ESDD的预测值,绘制污秽空间分级图,具体为:
根据所述ESDD的预测值,利用Arcgi s软件绘制污秽分布空间图。
本发明产生的有益效果是:本发明基于多源卫星遥感数据,采用长时间序列的多源遥感数据和实测数据建模得到污秽区定量预测模型,采用主成分分析和神经网络得到研究区的污秽定性预测图。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一种基于卫星遥感技术的污秽状况监测方法的流程示意图;
图2为本申请不同污秽等级下的污湿特征;
图3为本申请人工神经网络示意图的结构示意图。
具体实施方式
参见图1,为本申请一种基于卫星遥感技术的污秽状况监测方法的流程示意图,参见图1,本申请基于卫星遥感图像的处理,卫星数据和地面数据的结合和污秽图的生成等步骤,提供了一种基于卫星遥感技术的污秽状况监测方法,所述方法包括:
通过MODIS卫星获取气溶胶光学厚度AOD和增强型植被指数EVI;
对所述气溶胶光学厚度AOD和所述增强型植被指数EVI进行拼接、裁剪和定义地理坐标系;
获取MODIS高时间分辨率和高空间分辨率(https://ladsweb.modaps.eosdis.nasa.gov/)的日均气溶胶光学厚度AOD数据(MOD04)。当研究区处于不同的区域,需要利用MRT工具进行拼接。下载的气溶胶光学厚度AOD数据格式为HDF格式,需要转为带地理坐标系的TIFF格式。利用研究区的shapefile文件裁剪出气溶胶光学厚度AOD数据的研究区。
获取MODIS的16天时间分辨率和500m空间分辨率的MOD13数据,提取出数据集中的增强型植被指数EVI数据。与步骤S1的方法一样。使用MRT工具将包含研究区的增强型植被指数EVI数据进行拼接,并定义地理坐标系,把HDF格式转为TIFF格式。
利用MRT工具对所述气溶胶光学厚度AOD和所述增强型植被指数EVI进行拼接;
将所述气溶胶光学厚度AOD和所述增强型植被指数EVI的数据格式转换为带有地理坐标系的TIFF格式;
利用研究区的shapefile文件裁剪出所述气溶胶光学厚度AOD和所述增强型植被指数EVI的研究区。
对所述增强型植被指数EVI进行预处理,使所述增强型植被指数EVI的空间分辨率和时间分辨率与所述气溶胶光学厚度AOD的空间分辨率和时间分辨率一致;
EVI数据的空间分辨率可以重采样与AOD数据的空间分辨率一致。为了获取的气象站的污染气体和AOD数据的一致的时间分辨率。采用拉格朗日插值法把EVI数据的时间分辨率从16天重采样为1天。拉格朗日插值的原理是:
若现在有给定的n+1个点,分别是(x0,y0),…(xn,yn),对应的拉格朗日插值多项式为:
lj(x)为拉格朗日基本多项式,其表达式为:
对所述增强型植被指数EVI进行重采样,使所述增强型植被指数EVI的空间分辨率与所述气溶胶光学厚度AOD的空间分辨率一致;
对所述增强型植被指数EVI进行拉格朗日插值,使所述增强型植被指数EVI的时间分辨率与所述气溶胶光学厚度AOD的时间分辨率一致。
通过气象站点获取与等值附盐密度ESDD相关的气象参数数据,对所述气象参数数据进行预处理,使所述气象参数数据的空间分辨率与所述气溶胶光学厚度AOD和所述增强型植被指数EVI的空间分辨率保持一致;
获取气象站点的日均PM2.5,PM10,SO2,CO和降水量,风速等日均数据,使用克里金插值为面状数据。克里金插值的原理为:
对所述气象参数数据、所述气溶胶光学厚度AOD和所述增强型植被指数EVI进行主成分分析,得到影响所述等值附盐密度ESDD的主要变量;
由于输入的变量类别多,数据量大,采用基于主成分分析的方法挑选出对ESDD数据影响的主要的变量。
利用人工神经网络对所述主要变量进行分类,得到污秽空间预测图;
利用神经网络分类器对主要变量进行分类,得到污秽图的空间预测图。图3为本申请人工神经网络示意图的结构示意图,神经网络分类的原理如图3所示,人工神经网络一般包括一个输入层,一个隐含层,一个输出层。
在实际训练的过程中,人工神经网络主要包括传播和后向传播两个阶段。后向传播相当于误差调整阶段,当调整的误差满足预设条件公式(5)时,将结果输入到输出层。
根据输出值与给定误差(6)或(7)的关系判断属于什么类别。
所述人工神经网络包括输入层、隐含层和输出层;
所述人工神经网络的训练过程包括传播阶段和后向传播阶段;
所述后向传播阶段对误差进行调整,当误差满足预设条件时,将结果输入到输出层;
根据输出值和预设误差的关系,判断所述主要变量类别。
建立ESDD预测模型,输入为所述主要变量的预测数据,输出为ESDD的预测值,并评估所述ESDD预测模型的精度;
探究基于长时间序列的主要变量与实测ESDD数据之间的关系。得到ESDD数据预测模型,并使用十折交叉验证的方法对模型进行验证。利用估算模型估算目标区域的污秽等级分布图。污秽等级十折交叉验证的思想是把数据分为训练集和测试集两部分。十折交叉验证是选每次选9份数据作为训练集,1份数据作为测试集,如此循环,直到最后输出结果。
根据所述ESDD的预测值,绘制污秽空间分级图。
使用主要变量计算ESDD,在Arcgi s中绘制污秽空间分级图。污秽等级分布如图2所示。
本领域技术人员在考虑说明书和实施例公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由权利要求指出。
Claims (8)
1.一种基于卫星遥感技术的污秽状况监测方法,其特征在于,所述方法包括:
通过MODIS卫星获取气溶胶光学厚度AOD和增强型植被指数EVI;
对所述气溶胶光学厚度AOD和所述增强型植被指数EVI进行拼接、裁剪和定义地理坐标系;
对所述增强型植被指数EVI进行预处理,使所述增强型植被指数EVI的空间分辨率和时间分辨率与所述气溶胶光学厚度AOD的空间分辨率和时间分辨率一致;
通过气象站点获取与等值附盐密度ESDD相关的气象参数数据,对所述气象参数数据进行预处理,使所述气象参数数据的空间分辨率与所述气溶胶光学厚度AOD和所述增强型植被指数EVI的空间分辨率保持一致;
对所述气象参数数据、所述气溶胶光学厚度AOD和所述增强型植被指数EVI进行主成分分析,得到影响所述等值附盐密度ESDD的主要变量;
利用人工神经网络对所述主要变量进行分类,得到污秽空间预测图;
建立ESDD预测模型,输入为所述主要变量的预测数据,输出为ESDD的预测值,并评估所述ESDD预测模型的精度;
根据所述ESDD的预测值,绘制污秽空间分级图。
2.如权利要求1所述的基于卫星遥感技术的污秽状况监测方法,其特征在于,所述对所述气溶胶光学厚度AOD和增强型植被指数EVI进行拼接、裁剪和定义地理坐标系,具体为:
利用MRT工具对所述气溶胶光学厚度AOD和所述增强型植被指数EVI进行拼接;
将所述气溶胶光学厚度AOD和所述增强型植被指数EVI的数据格式转换为带有地理坐标系的TIFF格式;
利用研究区的shapefile文件裁剪出所述气溶胶光学厚度AOD和所述增强型植被指数EVI的研究区。
3.如权利要求1所述的基于卫星遥感技术的污秽状况监测方法,其特征在于,所述对所述增强型植被指数EVI进行预处理,具体为:
对所述增强型植被指数EVI进行重采样,使所述增强型植被指数EVI的空间分辨率与所述气溶胶光学厚度AOD的空间分辨率一致;
对所述增强型植被指数EVI进行拉格朗日插值,使所述增强型植被指数EVI的时间分辨率与所述气溶胶光学厚度AOD的时间分辨率基本一致。
5.如权利要求3所述的基于卫星遥感技术的污秽状况监测方法,其特征在于,所述利用人工神经网络对所述主要变量进行分类,具体为:
所述人工神经网络包括输入层、隐含层和输出层;
所述人工神经网络的训练过程包括传播阶段和后向传播阶段;
所述后向传播阶段对误差进行调整,当误差满足预设条件时,将结果输入到输出层;
根据输出值和预设误差的关系,判断所述主要变量类别。
6.如权利要求1所述的基于卫星遥感技术的污秽状况监测方法,其特征在于,所述建立ESDD预测模型,具体为:
探究基于长时间序列的所述主要变量和等值附盐密度ESDD之间的关系,得到所述ESDD预测模型。
7.如权利要求1所述的基于卫星遥感技术的污秽状况监测方法,其特征在于,所述评估所述ESDD预测模型的精度,具体为:
利用十折交叉验证的方法对所述ESDD预测模型的精度进行验证。
8.如权利要求1所述的基于卫星遥感技术的污秽状况监测方法,其特征在于,根据所述ESDD的预测值,绘制污秽空间分级图,具体为:
根据所述ESDD的预测值,利用Arcgis软件绘制污秽分布空间图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110324572.5A CN113077083B (zh) | 2021-03-26 | 2021-03-26 | 一种基于卫星遥感技术的污秽状况监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110324572.5A CN113077083B (zh) | 2021-03-26 | 2021-03-26 | 一种基于卫星遥感技术的污秽状况监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113077083A CN113077083A (zh) | 2021-07-06 |
CN113077083B true CN113077083B (zh) | 2023-01-20 |
Family
ID=76610377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110324572.5A Active CN113077083B (zh) | 2021-03-26 | 2021-03-26 | 一种基于卫星遥感技术的污秽状况监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113077083B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109213964A (zh) * | 2018-07-13 | 2019-01-15 | 中南大学 | 一种融合多源特征地理参数的卫星aod产品校正方法 |
CN110274916A (zh) * | 2019-08-06 | 2019-09-24 | 云南电网有限责任公司电力科学研究院 | 基于卫星遥感的电网污染物浓度监测方法及系统 |
-
2021
- 2021-03-26 CN CN202110324572.5A patent/CN113077083B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109213964A (zh) * | 2018-07-13 | 2019-01-15 | 中南大学 | 一种融合多源特征地理参数的卫星aod产品校正方法 |
CN110274916A (zh) * | 2019-08-06 | 2019-09-24 | 云南电网有限责任公司电力科学研究院 | 基于卫星遥感的电网污染物浓度监测方法及系统 |
Non-Patent Citations (2)
Title |
---|
卫星AOD数据驱动的区域电力污秽等级评估方法;熊宇等;《测绘通报》;20160825(第08期);全文 * |
基于卫星遥感技术的电网污秽分析和推演;方圆等;《湖北电力》;20160428(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113077083A (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109213964B (zh) | 一种融合多源特征地理参数的卫星aod产品校正方法 | |
CN112308292B (zh) | 一种火灾风险等级分布图的绘制方法 | |
CN109447315A (zh) | 一种基于多时空尺度的电力气象数值天气预报方法和装置 | |
CN112785024B (zh) | 一种基于流域水文模型的径流计算和预测方法 | |
CN113901384B (zh) | 顾及全局空间自相关性和局部异质性的地面pm2.5浓度建模方法 | |
CN110646867A (zh) | 一种城市排水监测预警方法和系统 | |
CN110472782A (zh) | 一种数据确定方法、装置、设备及存储介质 | |
CN114463947B (zh) | 一种基于时空网络卷积模型的对流性致灾强风预警预报方法 | |
CN113704693B (zh) | 一种高精度的有效波高数据估计方法 | |
CN110595960B (zh) | 一种基于机器学习的pm2.5浓度遥感估算方法 | |
CN116449331B (zh) | 一种基于w波段雷达和气象卫星的沙尘粒子数浓度估算方法 | |
CN117093832B (zh) | 一种用于空气质量数据缺失的数据插补方法及系统 | |
CN114822215B (zh) | 一种基于移动大数据的噪声地图绘制方法及系统 | |
CN113821895B (zh) | 输电线路覆冰厚度预测模型的构建方法、装置及存储介质 | |
CN113077083B (zh) | 一种基于卫星遥感技术的污秽状况监测方法 | |
Amodei et al. | Deterministic and fuzzy verification methods for a hierarchy of numerical models | |
CN112528566A (zh) | 基于AdaBoost训练模型的空气质量数据实时校准方法及系统 | |
CN116932679A (zh) | 一种基于gis技术多模式行业气象服务检验应用方法 | |
CN114818857A (zh) | 一种积雪深度融合方法 | |
CN114781713B (zh) | 基于卫星反演降水产品的雨量站网优化方法及装置 | |
CN114581043B (zh) | 跨网络模块化多源多要素海浪实况分析系统 | |
CN116993327B (zh) | 用于变电站的缺陷定位系统及其方法 | |
Hassanzadeh et al. | Mean Sea Level Variability of the Oman Sea and its response to monsoon and the North Atlantic Oscillation index from Tide Gauge measurements | |
Zappa et al. | The Changjiang flood forecasting assistance project | |
Salgado et al. | Verifying Meteorological Station Wind Speed Data for Long-term Resource Studies: The MIA Luqa Wind Databases at Malta |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |